論文の概要: Cross-Dataset-Robust Method for Blind Real-World Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2309.14868v1
• Date: Tue, 26 Sep 2023 11:57:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-27 13:53:38.530652
• Title: Cross-Dataset-Robust Method for Blind Real-World Image Quality Assessment
• Title（参考訳）: ブラインド実世界画像品質評価のためのクロスデータセットロバスト法
• Authors: Yuan Chen, Zhiliang Ma and Yang Zhao
• Abstract要約: 頑健なブラインド画像品質評価(BIQA)手法は、堅牢なトレーニング戦略、大規模な実世界のデータセット、強力なバックボーンという3つの側面に基づいて設計されている。 その後、1000,000のイメージペアと擬似ラベルを持つ大規模な実世界の画像データセットを提案し、最終的なデータセット-ロバストモデルのトレーニングを行う。
• 参考スコア（独自算出の注目度）: 13.00611103494356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although many effective models and real-world datasets have been presented for blind image quality assessment (BIQA), recent BIQA models usually tend to fit specific training set. Hence, it is still difficult to accurately and robustly measure the visual quality of an arbitrary real-world image. In this paper, a robust BIQA method, is designed based on three aspects, i.e., robust training strategy, large-scale real-world dataset, and powerful backbone. First, many individual models based on popular and state-of-the-art (SOTA) Swin-Transformer (SwinT) are trained on different real-world BIQA datasets respectively. Then, these biased SwinT-based models are jointly used to generate pseudo-labels, which adopts the probability of relative quality of two random images instead of fixed quality score. A large-scale real-world image dataset with 1,000,000 image pairs and pseudo-labels is then proposed for training the final cross-dataset-robust model. Experimental results on cross-dataset tests show that the performance of the proposed method is even better than some SOTA methods that are directly trained on these datasets, thus verifying the robustness and generalization of our method.
• Abstract（参考訳）: 多くの効果的なモデルと実世界のデータセットがブラインド画像品質評価(BIQA)のために提示されているが、最近のBIQAモデルは通常、特定のトレーニングセットに適合する傾向にある。 したがって、任意の実世界の画像の視覚的品質を正確かつ確実に測定することは依然として困難である。 本稿では,ロバストなBIQA手法を,ロバストなトレーニング戦略,大規模実世界のデータセット,強力なバックボーンという3つの側面に基づいて設計する。 まず、人気と最先端のSwin-Transformer(SwinT)に基づく多くの個別モデルが、それぞれ異なる現実世界のBIQAデータセットでトレーニングされている。 次に、これらのバイアス付きSwinTベースのモデルを用いて擬似ラベルを生成し、固定品質スコアの代わりに2つのランダム画像の相対的品質の確率を採用する。 最終クロスデータセット-ロバストモデルのトレーニングのために,1,000,000画像ペアと擬似ラベルを備えた大規模実世界画像データセットを提案する。 実験の結果,提案手法の性能は,これらのデータセット上で直接訓練されたSOTA法よりも優れており,ロバスト性や一般化の検証が可能であることがわかった。

関連論文リスト

• Swin Transformer for Robust Differentiation of Real and Synthetic Images: Intra- and Inter-Dataset Analysis [0.0]
  本研究では,自然画像と合成画像の正確な識別のためのSwin Transformerモデルを提案する。 モデルの性能は、3つの異なるデータセットにわたるデータセット内およびデータセット間テストによって評価された。
  論文  参考訳（メタデータ） (2024-09-07T06:43:17Z)
• Q-Ground: Image Quality Grounding with Large Multi-modality Models [61.72022069880346]
  Q-Groundは、大規模な視覚的品質グラウンドに取り組むための最初のフレームワークである。 Q-Groundは、大規模なマルチモダリティモデルと詳細な視覚的品質分析を組み合わせる。 コントリビューションの中心は、QGround-100Kデータセットの導入です。
  論文  参考訳（メタデータ） (2024-07-24T06:42:46Z)
• Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
  我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。 提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
  論文  参考訳（メタデータ） (2024-05-29T06:09:34Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Training on Thin Air: Improve Image Classification with Generated Data [28.96941414724037]
  Diffusion Inversionは、画像分類のための多種多様な高品質なトレーニングデータを生成するための、シンプルで効果的な方法である。 提案手法は,元のデータ分布を捕捉し,画像を安定拡散の潜在空間に反転させることにより,データカバレッジを確保する。 生成した画像が元のデータセットに取って代わることに成功した3つの重要なコンポーネントを特定します。
  論文  参考訳（メタデータ） (2023-05-24T16:33:02Z)
• Effective Robustness against Natural Distribution Shifts for Models with Different Training Data [113.21868839569]
  効果的ロバスト性」は、分配内(ID)性能から予測できる以上の余分な分配外ロバスト性を測定する。 異なるデータに基づいてトレーニングされたモデルの有効ロバスト性を評価・比較するための新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2023-02-02T19:28:41Z)
• Learning from Mixed Datasets: A Monotonic Image Quality Assessment Model [17.19991754976893]
  異なるデータセットを組み合わせたIQAモデル学習のための単調ニューラルネットワークを提案する。 特に,本モデルは,データセット共有品質回帰器と,データセット固有の品質変換器から構成される。
  論文  参考訳（メタデータ） (2022-09-21T15:53:59Z)
• Assessing Dataset Bias in Computer Vision [0.0]
  偏見は、訓練するモデルに伝播する傾向があり、しばしば少数派ではパフォーマンスが劣る。 UTKFaceデータセットのサンプルに、アンダーサンプリング、幾何変換、可変オートエンコーダ(VAE)、生成逆ネットワーク(GAN)など、いくつかの拡張手法を適用する。 FairFaceモデルと比較して、複数のデータセット上の年齢と民族の分類において、我々のモデルが全体的なパフォーマンスと一貫性を向上できることを示しました。
  論文  参考訳（メタデータ） (2022-05-03T22:45:49Z)
• Continual Learning for Blind Image Quality Assessment [80.55119990128419]
  ブラインド画像品質評価(BIQA)モデルは、サブポピュレーションシフトに継続的に適応できない。 最近の研究では、利用可能なすべての人間評価のIQAデータセットの組み合わせに関するBIQAメソッドのトレーニングが推奨されている。 モデルがIQAデータセットのストリームから継続的に学習するBIQAの継続的学習を策定する。
  論文  参考訳（メタデータ） (2021-02-19T03:07:01Z)
• Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and Wild [98.48284827503409]
  我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。 我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。 6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
  論文  参考訳（メタデータ） (2020-05-28T13:35:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。